{ "aboutHtml": "

Druga generacija besedilnih vložitev Titan

Amazon Titan Text Embeddings V2 pretvori besedilo v številčno predstavitev za iskanje in druge naloge, ki temeljijo na pomenski bližini. Model je optimiziran za pridobivanje ustreznih odsekov: uporabnik vpraša s svojimi besedami, aplikacija pa vektor vprašanja primerja z vektorji gradiva v zbirki znanja. Tako najde podatke brez popolnega ujemanja ključnih besed.

V2 se od G1 razlikuje po kompaktnejši privzeti predstavitvi: Amazonova dokumentacija navaja vektor s 1 024 razsežnostmi. Za aplikacijo je to lastnost podatkov, ki jih shranjuje in primerja. Vsi zapisi istega indeksa morajo uporabljati usklajeno predstavitev; ob prehodu z drugega modela za vložitve je treba indeks znova pripraviti za izbrani model.

Kje ga uporabljati

Amazon navaja učenje V2 na več kot 100 naravnih in 13 programskih jezikih, med njimi Python, JavaScript, Java, C++, Rust, Go in SQL. Model je sicer optimiziran predvsem za angleško besedilo. V večjezični zbirki posebej preverite poizvedbe, katerih jezik se razlikuje od jezika dokumentov: zastopanost jezikov pri učenju ne pomeni enake kakovosti pri vseh kombinacijah.

Delo v Ailoot

Vhod je besedilo, izhod pa embedding. Omejitev te kartice je 8 192 vhodnih žetonov. Dolgo gradivo za iskalni indeks je smiselno deliti na pomenskih mejah: naslovih, razdelkih in odstavkih. Vsak odsek lahko shranite skupaj z njegovim vektorjem in povezavo na izvirni vir.

Praktični cikel

Iz zbirke izberite dejanska vprašanja in ustrezne odgovore, ustvarite vložitve in preverite rezultate iskanja. Na istem naboru spreminjajte velikost odsekov in način primerjanja ter ohranite povezavo z izvirnim besedilom. Titan pripravi številčne predstavitve; primerjanje, izbor rezultatov in oblikovanje odgovora opravijo naslednji koraki aplikacije. Tako preverjanje pomaga prilagoditi nastavitve indeksa vašemu izrazju in zgradbi dokumentov.

", "aboutText": "### Druga generacija besedilnih vložitev Titan\n\nAmazon Titan Text Embeddings V2 pretvori besedilo v številčno predstavitev za iskanje in druge naloge, ki temeljijo na pomenski bližini. Model je optimiziran za pridobivanje ustreznih odsekov: uporabnik vpraša s svojimi besedami, aplikacija pa vektor vprašanja primerja z vektorji gradiva v zbirki znanja. Tako najde podatke brez popolnega ujemanja ključnih besed.\n\nV2 se od G1 razlikuje po kompaktnejši privzeti predstavitvi: Amazonova dokumentacija navaja vektor s **1 024 razsežnostmi**. Za aplikacijo je to lastnost podatkov, ki jih shranjuje in primerja. Vsi zapisi istega indeksa morajo uporabljati usklajeno predstavitev; ob prehodu z drugega modela za vložitve je treba indeks znova pripraviti za izbrani model.\n\n### Kje ga uporabljati\n\n- **RAG in iskanje v podjetju:** pripraviti vektorje razdelkov dokumentacije, nato pridobivati odseke za ločen model, ki odgovori na vprašanje.\n- **Pomenska podobnost:** primerjati drugače oblikovana besedila in iskati sorodne vsebine.\n- **Združevanje:** raziskovati teme zahtevkov, ocen in dokumentov prek bližine njihovih predstavitev.\n- **Iskanje po kodi:** pripraviti iskanje po izvorni kodi in pripadajočih pojasnilih.\n\nAmazon navaja učenje V2 na več kot 100 naravnih in 13 programskih jezikih, med njimi Python, JavaScript, Java, C++, Rust, Go in SQL. Model je sicer optimiziran predvsem za angleško besedilo. V večjezični zbirki posebej preverite poizvedbe, katerih jezik se razlikuje od jezika dokumentov: zastopanost jezikov pri učenju ne pomeni enake kakovosti pri vseh kombinacijah.\n\n### Delo v Ailoot\n\nVhod je besedilo, izhod pa **embedding**. Omejitev te kartice je **8 192 vhodnih žetonov**. Dolgo gradivo za iskalni indeks je smiselno deliti na pomenskih mejah: naslovih, razdelkih in odstavkih. Vsak odsek lahko shranite skupaj z njegovim vektorjem in povezavo na izvirni vir.\n\n### Praktični cikel\n\nIz zbirke izberite dejanska vprašanja in ustrezne odgovore, ustvarite vložitve in preverite rezultate iskanja. Na istem naboru spreminjajte velikost odsekov in način primerjanja ter ohranite povezavo z izvirnim besedilom. Titan pripravi številčne predstavitve; primerjanje, izbor rezultatov in oblikovanje odgovora opravijo naslednji koraki aplikacije. Tako preverjanje pomaga prilagoditi nastavitve indeksa vašemu izrazju in zgradbi dokumentov.", "locale": "sl", "methods": [ { "html": "
Ultra Vektorske predstavitvePOST /v1/embeddings
Vhod
text
Izhod
embedding
Kontekst
8192 žetonov
Največji odgovor
Ni navedeno v katalogu
Vhod
0,00004 $ / 1K
", "method_identity": { "effective_request_model_id": "amazon/titan-embed-text-v2", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "amazon/titan-embed-text-v2", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v2", "ordinal": 0, "rawMethod": { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "ctx": 8192, "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.04, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "request_model_id": "amazon/titan-embed-text-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } } ], "model_id": "amazon/titan-embed-text-v2", "page": { "canonical": "https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/", "description": "Ustvarja besedilne vektorje za RAG, pomensko iskanje in združevanje, tudi za iskanje po večjezičnem gradivu in kodi.", "locale": "sl", "md_url": "https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/index.md", "title": "Amazon: Titan Text Embeddings V2", "url": "https://ailoot.ai/models/sl/amazon-titan-embed-text-v2/" }, "rawModel": { "about": "### Druga generacija besedilnih vložitev Titan\n\nAmazon Titan Text Embeddings V2 pretvori besedilo v številčno predstavitev za iskanje in druge naloge, ki temeljijo na pomenski bližini. Model je optimiziran za pridobivanje ustreznih odsekov: uporabnik vpraša s svojimi besedami, aplikacija pa vektor vprašanja primerja z vektorji gradiva v zbirki znanja. Tako najde podatke brez popolnega ujemanja ključnih besed.\n\nV2 se od G1 razlikuje po kompaktnejši privzeti predstavitvi: Amazonova dokumentacija navaja vektor s **1 024 razsežnostmi**. Za aplikacijo je to lastnost podatkov, ki jih shranjuje in primerja. Vsi zapisi istega indeksa morajo uporabljati usklajeno predstavitev; ob prehodu z drugega modela za vložitve je treba indeks znova pripraviti za izbrani model.\n\n### Kje ga uporabljati\n\n- **RAG in iskanje v podjetju:** pripraviti vektorje razdelkov dokumentacije, nato pridobivati odseke za ločen model, ki odgovori na vprašanje.\n- **Pomenska podobnost:** primerjati drugače oblikovana besedila in iskati sorodne vsebine.\n- **Združevanje:** raziskovati teme zahtevkov, ocen in dokumentov prek bližine njihovih predstavitev.\n- **Iskanje po kodi:** pripraviti iskanje po izvorni kodi in pripadajočih pojasnilih.\n\nAmazon navaja učenje V2 na več kot 100 naravnih in 13 programskih jezikih, med njimi Python, JavaScript, Java, C++, Rust, Go in SQL. Model je sicer optimiziran predvsem za angleško besedilo. V večjezični zbirki posebej preverite poizvedbe, katerih jezik se razlikuje od jezika dokumentov: zastopanost jezikov pri učenju ne pomeni enake kakovosti pri vseh kombinacijah.\n\n### Delo v Ailoot\n\nVhod je besedilo, izhod pa **embedding**. Omejitev te kartice je **8 192 vhodnih žetonov**. Dolgo gradivo za iskalni indeks je smiselno deliti na pomenskih mejah: naslovih, razdelkih in odstavkih. Vsak odsek lahko shranite skupaj z njegovim vektorjem in povezavo na izvirni vir.\n\n### Praktični cikel\n\nIz zbirke izberite dejanska vprašanja in ustrezne odgovore, ustvarite vložitve in preverite rezultate iskanja. Na istem naboru spreminjajte velikost odsekov in način primerjanja ter ohranite povezavo z izvirnim besedilom. Titan pripravi številčne predstavitve; primerjanje, izbor rezultatov in oblikovanje odgovora opravijo naslednji koraki aplikacije. Tako preverjanje pomaga prilagoditi nastavitve indeksa vašemu izrazju in zgradbi dokumentov.", "alias_of": null, "aliases": [], "author": "Amazon", "canonical_model": "amazon/titan-embed-text-v2", "ctx": 8192, "formats": [ "embeddings" ], "id": "amazon/titan-embed-text-v2", "input": [ "text" ], "kind": "embedding", "max_out": 0, "methods": [ { "cache_read": null, "cache_write": null, "cache_write_1h": null, "cache_write_5m": null, "conditional_meter": null, "ctx": 8192, "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "http": "POST", "img_in": null, "img_out": null, "in": 0.04, "input": [ "text" ], "label": "Эмбеддинги", "max_out": 0, "max_tool_calls": null, "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "request_model_id": "amazon/titan-embed-text-v2", "route_label": "Ultra", "status_reads": [], "tiers": [], "tool_prices": null, "unit": "token", "units": [] } ], "model_aliases": [ { "canonical_model_id": "amazon/titan-embed-text-v2", "request_model_id": "amazon/titan-embed-text-v2", "route_label": "Ultra" } ], "name": "Amazon: Titan Text Embeddings V2", "price": { "in": 0.04, "in_label": null, "out": null, "out_label": null, "sort_in": 0.04, "sort_out": null, "varies": false }, "public_id": "amazon/titan-embed-text-v2", "short": "Ustvarja besedilne vektorje za RAG, pomensko iskanje in združevanje, tudi za iskanje po večjezičnem gradivu in kodi." }, "renderer_schema": { "method_order": "rawModel.methods-ordinal", "prices": "exact-native-DTO-units-and-selected-renderer-html" }, "representation": "exact-public-dto-and-native-renderer-html", "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Ustvarja besedilne vektorje za RAG, pomensko iskanje in združevanje, tudi za iskanje po večjezičnem gradivu in kodi.", "source": { "audit_sha256": "f63906179e2316b6be8e41b5cf42dfa0db3a7faaec48b6c35c1d940eea1a8bd2", "bridge_map_sha256": "f63906179e2316b6be8e41b5cf42dfa0db3a7faaec48b6c35c1d940eea1a8bd2", "projection_audit": { "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e", "raw_model_json_sha256": "0248e449e7ba4a390805d7688aaad8780d6fa8c015d8cd3d08db8c23cc40ac0b", "renderer_sha256": "5a634ac8a753f26987a2c92487182f799268f26975f076e14d9c7a7450fab27a" }, "projection_kind": "catalogue-refresh-native-dto-v1", "raw_model_json_sha256": "0248e449e7ba4a390805d7688aaad8780d6fa8c015d8cd3d08db8c23cc40ac0b", "renderer_sha256": "5a634ac8a753f26987a2c92487182f799268f26975f076e14d9c7a7450fab27a" }, "sourceRevision": "d01857bc4dab708a1d271f6c336ccf6ef39e07c22c70549a04b46f7df0933b56" }